Buchumschlag

Machine Learning Methods for Small Data and Upstream Bioprocessing Applications: A Comprehensive Review

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Peng, Johnny, Khuat, Thanh Tung, Musial, Katarzyna, Gabrys, Bogdan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning From Limited Data and Feedback for Cell Culture Process Monitoring: A Comparative Study
von: Peng, Johnny, et al.
Veröffentlicht: (2025)

Lessons Learned from Deploying Adaptive Machine Learning Agents with Limited Data for Real-time Cell Culture Process Monitoring
von: Khuat, Thanh Tung, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning for Digital Twin-Oriented Complex Networked Systems
von: Wen, Jiaqi, et al.
Veröffentlicht: (2024)

Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes
von: Khuat, Thanh Tung, et al.
Veröffentlicht: (2024)

Hyperbox Mixture Regression for Process Performance Prediction in Antibody Production
von: Nik-Khorasani, Ali, et al.
Veröffentlicht: (2024)

Transfer Learning and the Early Estimation of Single-Photon Source Quality using Machine Learning Methods
von: Kedziora, David Jacob, et al.
Veröffentlicht: (2024)

Exploring the Frontiers of LLMs in Psychological Applications: A Comprehensive Review
von: Ke, Luoma, et al.
Veröffentlicht: (2024)

Hallucination Detection in LLMs Using Spectral Features of Attention Maps
von: Binkowski, Jakub, et al.
Veröffentlicht: (2025)

FactSelfCheck: Fact-Level Black-Box Hallucination Detection for LLMs
von: Sawczyn, Albert, et al.
Veröffentlicht: (2025)

Dynamic Stratified Contrastive Learning with Upstream Augmentation for MILP Branching
von: Lu, Tongkai, et al.
Veröffentlicht: (2025)

Review Non-convex Optimization Method for Machine Learning
von: Fotopoulos, Greg B, et al.
Veröffentlicht: (2024)

A Review of Safe Reinforcement Learning: Methods, Theory and Applications
von: Gu, Shangding, et al.
Veröffentlicht: (2022)

Harnessing Data Augmentation to Quantify Uncertainty in the Early Estimation of Single-Photon Source Quality
von: Kedziora, David Jacob, et al.
Veröffentlicht: (2023)

Using Synthetic Data to estimate the True Error is theoretically and practically doable
von: Thanh, Hai Hoang, et al.
Veröffentlicht: (2025)

Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes
von: Thanh Tung Khuat, et al.
Veröffentlicht: (2025)

The Illusion of Progress: Re-evaluating Hallucination Detection in LLMs
von: Janiak, Denis, et al.
Veröffentlicht: (2025)

Data Heterogeneity Modeling for Trustworthy Machine Learning
von: Liu, Jiashuo, et al.
Veröffentlicht: (2025)

A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection
von: Wu, Yuandi, et al.
Veröffentlicht: (2024)

Advancing Crime Linkage Analysis with Machine Learning: A Comprehensive Review and Framework for Data-Driven Approaches
von: Lima, Vinicius, et al.
Veröffentlicht: (2024)

A Review of Machine Learning Techniques in Imbalanced Data and Future Trends
von: Jafarigol, Elaheh, et al.
Veröffentlicht: (2023)

A Systematic Review of Machine Learning Methods for Multimodal EEG Data in Clinical Application
von: Zhao, Siqi, et al.
Veröffentlicht: (2024)

FastDiSS: Few-step Match Many-step Diffusion Language Model on Sequence-to-Sequence Generation--Full Version
von: Nguyen-Cong, Dat, et al.
Veröffentlicht: (2026)

Data-driven Machinery Fault Diagnosis: A Comprehensive Review
von: Neupane, Dhiraj, et al.
Veröffentlicht: (2024)

Interpretable and Explainable Machine Learning Methods for Predictive Process Monitoring: A Systematic Literature Review
von: Mehdiyev, Nijat, et al.
Veröffentlicht: (2023)

Federated Learning for Big Data: A Survey on Opportunities, Applications, and Future Directions
von: Gadekallu, Thippa Reddy, et al.
Veröffentlicht: (2021)

Power Transformer Health Index and Life Span Assessment: A Comprehensive Review of Conventional and Machine Learning based Approaches
von: Zahra, Syeda Tahreem, et al.
Veröffentlicht: (2025)

A Comprehensive Review of Machine Learning Advances on Data Change: A Cross-Field Perspective
von: Li, Jeng-Lin, et al.
Veröffentlicht: (2024)

FAIREDU: A Multiple Regression-Based Method for Enhancing Fairness in Machine Learning Models for Educational Applications
von: Pham, Nga, et al.
Veröffentlicht: (2024)

Towards Robust Policy: Enhancing Offline Reinforcement Learning with Adversarial Attacks and Defenses
von: Nguyen, Thanh, et al.
Veröffentlicht: (2024)

A Comprehensive Survey on Evidential Deep Learning and Its Applications
von: Gao, Junyu, et al.
Veröffentlicht: (2024)

A Comprehensive Perspective on Explainable AI across the Machine Learning Workflow
von: Paterakis, George, et al.
Veröffentlicht: (2025)

On Sample-Efficient Offline Reinforcement Learning: Data Diversity, Posterior Sampling, and Beyond
von: Nguyen-Tang, Thanh, et al.
Veröffentlicht: (2024)

AIS Data-Driven Maritime Monitoring Based on Transformer: A Comprehensive Review
von: Xie, Zhiye, et al.
Veröffentlicht: (2025)

Mitigating Adversarial Perturbations for Deep Reinforcement Learning via Vector Quantization
von: Luu, Tung M., et al.
Veröffentlicht: (2024)

A Comprehensive Survey of Continual Learning: Theory, Method and Application
von: Wang, Liyuan, et al.
Veröffentlicht: (2023)

A Survey of Machine Unlearning
von: Nguyen, Thanh Tam, et al.
Veröffentlicht: (2022)

Application-Driven Innovation in Machine Learning
von: Rolnick, David, et al.
Veröffentlicht: (2024)

Machine Learning Innovations in CPR: A Comprehensive Survey on Enhanced Resuscitation Techniques
von: Islam, Saidul, et al.
Veröffentlicht: (2024)

A Comprehensive Benchmark of Machine and Deep Learning Across Diverse Tabular Datasets
von: Shmuel, Assaf, et al.
Veröffentlicht: (2024)

AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning
von: Imrie, Fergus, et al.
Veröffentlicht: (2022)